共计 1132 个字符，预计需要花费 3 分钟才能阅读完成。
过去一年, 具身智能的迭代节奏明显加快 , 但行业评价标准也在悄然转向: 机器人“会做”一件事, 和它能在开放环境中长期、稳定、泛化地把事情做成, 正在被区分开来。亮源新创近期连续发布三项技术, 试图回答同一个问题——Physical AI 的能力如何持续规模化扩展。
📌 背景: 从单点技能走向可扩展的学习机制
传统机器人研发多建立在任务分解之上, 导航、运动控制、机械臂操作各自为战 。这套方法在结构化环境中价值明确, 但面对通用机器人时, 环境、任务、本体乃至机器人自身状态都在变化, 每增加一个任务就重新训练、每换一个本体就重新适配, 工程复杂度会先于能力增长而膨胀。
亮源新创将解决思路概括为“三段范式”: 规模化预训练、规模化对齐与规模化部署, 三者共同构成持续迭代的学习闭环 。过去一个多月发布的三项技术, 正是这一路径在不同方向上的展开。
🔍 核心信息: 三项技术各自解决什么
- LightParkour: 从简短人类动作片段出发, 通过物理仿真与课程学习扩展复杂接触技能, 并把行走与三项复杂接触技能蒸馏进统一策略, 部署时无需外部技能标签或人工状态机。
- LightNav-0: 基于 Real2Sim2Real 数据引擎, 将 2000+ 互联网来源的真实场景转化为可复用仿真环境, 生成 4000+ 小时视觉、语言和动作经验, 用于通用导航后训练。
- Light REACT: 面向外力扰动、跌倒和硬件损伤条件下的全身韧性控制, 研究机器人如何依据自身交互历史调整运动方式。
其中,LightNav- 0 的实验结果显示, 在当前实验范围内 , 扩大环境覆盖度比单纯增加相同环境里的轨迹数量更能稳定提升泛化能力。引入 Point CoT 后, 模型先预测目标点与可通行点再生成动作, 在公开的 8 项消融评测中, 平均任务成功率提高 8.4 个百分点,SPL 提高 5.7 个百分点。
💡 影响与看点: 零样本迁移才是真正的检验
LightNav- 0 没有把验证停留在一个机器人或一个 Benchmark 里。 在 10 个仿真设置中 , 它覆盖指令跟随、目标导航和具身视觉跟踪等任务; 在真实机器人部署中, 同一个模型零样本迁移到人形、四足、轮式和飞行机器人等不同本体, 官方同时发布了模型、代码和技术报告。
从行业观察角度看, 亮源新创的三项技术指向一个共同判断: 基础模型的竞争 , 最终不是比谁的单点技能更炫, 而是比谁能把视觉、语言、空间和动作统一进同一个可扩展的训练框架, 并让能力在环境、任务和本体变化时依然成立。
📊 总结
围绕“2000+ 真实场景搬进仿真! 一个导航模型零样本“通吃”四”，这一部分可从背景、现状与影响三个角度理解其关键信息。结合已公开内容来看，核心结论是趋势已较为明确，但细节仍需结合后续进展持续观察。
